تصاوير سطوح فولادي، عمدتاً تصاويري بافتي بوده که استخراج ويژگي در آنها با روشهاي گوناگون تحليل بافت انجام ميگيرد. در گروهي از اين روشها كه از آناليزهاي چندفركانسي و جهتدار سود ميبرند، استفاده از فيلترهاي گابور بهعنوان ابزار تحليل معمول است. در اين مقاله با بهکارگ چکیده کامل
تصاوير سطوح فولادي، عمدتاً تصاويري بافتي بوده که استخراج ويژگي در آنها با روشهاي گوناگون تحليل بافت انجام ميگيرد. در گروهي از اين روشها كه از آناليزهاي چندفركانسي و جهتدار سود ميبرند، استفاده از فيلترهاي گابور بهعنوان ابزار تحليل معمول است. در اين مقاله با بهکارگيري بانکي بهينهشده از فيلترهاي گابور، به استخراج ويژگي جهت بخشبندي تصاوير سطوح فولادي معيوب پرداخته ميشود. اين بانک فيلترها بهگونهاي طراحي شده که ميتواند ويژگيهاي بافتي تصوير ورودي را به شکل مطلوب، در جهات و فرکانسهاي مختلف نمايان کند. سپس بهمنظور بخشبندي تصوير سطح فولادي، روشي نوين به نام ترکيب گابوري ارائه گرديده که در اين روش با ارائه دو الگوريتم مختلف از تصاوير جزئي بهدست آمده از تصوير معيوب، تنها تعداد مشخصي با يکديگر ترکيب ميگردند تا نقشه ويژگي حاصل به شکل مؤثري در برگيرنده عيوب تصوير باشد. روش دوم ترکيب گابوري توانست با محاسبه پراکندگي دادههاي موجود در تصاوير جزئي و مقايسه آنها با يکديگر، بدون نياز به تعيين تعداد تصاوير جزئي جهت ترکيب و نيز وجود تصوير يا تصاوير نرمال، به انجام بخشبندي بپردازد. از ديگر نتايج تحقيق، بهينهسازي بخشبندي با استفاده از کلاسهبند K-means بوده که با نرمالسازي و اضافهکردن ويژگي سطح خاکستري به ويژگيهاي استخراجشده هر پيکسل، منجر به افزايش دقت کلاسهبندي شده است. نتايج بهدست آمده هم از نظر بصري و هم از لحاظ آماري نشاندهنده آن است که روش ترکيب گابوري در مقايسه با کلاسهبندK-means از دقت بالاتري برخوردار ميباشد. مقايسه انجامشده بين روشهاي پيشنهادي ترکيب گابوري و روش ويولت استاندارد نيز بر برتري نسبي ترکيب گابوري دلالت دارد. همچنين روش دوم ترکيب گابوري در مقايسه با روش اول، بهواسطه انتخاب بهتر تصاوير جزئي جهت ترکيب و در نتيجه تشکيل نقشه ويژگي مناسبتر، بهترين عملکرد را از خود نشان داده است.
پرونده مقاله
شناسایی مرزهای هدف یکی از موضوعات مورد علاقه در بینایی ماشین و پردازش تصویر است. مدلهای کانتور فعال یکی از روشهای معروف در شناسایی هدف و قطعهبندی اشیا میباشند. این مقاله روشی جدید برای قطعهبندی اشیای بافتی با استفاده از مدلهای کانتور فعال پارامتریک معرفی میکند. د چکیده کامل
شناسایی مرزهای هدف یکی از موضوعات مورد علاقه در بینایی ماشین و پردازش تصویر است. مدلهای کانتور فعال یکی از روشهای معروف در شناسایی هدف و قطعهبندی اشیا میباشند. این مقاله روشی جدید برای قطعهبندی اشیای بافتی با استفاده از مدلهای کانتور فعال پارامتریک معرفی میکند. در روش پیشنهادی با اضافهکردن یک انرژی بالون به تابع انرژی مدل کانتور فعال پارامتریک، امکان شناسایی و قطعهبندی شیء بافتی در پسزمینه بافتی فراهم میشود. در این روش، ویژگیهای بافتی نقاط کانتور با استفاده از تبدیل کانتورلت محاسبه میشود، سپس با مقایسه این ویژگیها با ویژگیهای بافتی شیء هدف که بهصورت اطلاعات قبلی وجود دارد، جهت حرکت بالون مشخص میشود که در نتیجه آن، منحنی کانتور بهمنظور انطباق بر مرزهای شیء هدف منبسط یا منقبض میشود. نتایج نشان میدهد که روش پیشنهادی نسبت به روش کانتور فعال مبتنی بر ویژگیهای بافتی گشتاور دارای دقت بالاتری میباشد.
پرونده مقاله
ارائه یک رویکرد عاملگرای راستیآزما برای دستگاه کنترل ضربان قلب که برای تنظیم ضربان بیماران دچار آرتیمی استفاده میشود و همچنین امکان کنترل و دسترسی به عملکرد آن در هر زمان و مکان از طریق بستر ابر جهت اطمینان از کارکرد صحیح آن، هدف این مقاله است.
در صورت از کار افتادن چکیده کامل
ارائه یک رویکرد عاملگرای راستیآزما برای دستگاه کنترل ضربان قلب که برای تنظیم ضربان بیماران دچار آرتیمی استفاده میشود و همچنین امکان کنترل و دسترسی به عملکرد آن در هر زمان و مکان از طریق بستر ابر جهت اطمینان از کارکرد صحیح آن، هدف این مقاله است.
در صورت از کار افتادن دستگاه تنظیم ضربان قلب به هر دلیل و یا تولید ضربان نامناسب توسط دستگاه، جان بیمار به خطر میافتد. با استفاده از رویکرد پیشنهادی، از عملکرد صحیح دستگاه تنظیم ضربان قلب میتوان اطمینان حاصل نمود. این رویکرد با استفاده از عامل نرمافزاری که قابلیت یادگیری تقویتی دارد میتواند شرایط پیشبینی نشده را فراگرفته و بر اساس آن رفتار نماید. استفاده از بستر ابر امکان ارسال پیام در شرایط بحرانی برای مراکز پزشکی را فراهم میکند. پس از محاسبه تعداد ضربان قلب بیمار به وسیله دستگاه تنظیم ضربان قلب و قبل از اعمال آن در بدن بیمار، رویکرد پیشنهادی مقدار ضربان محاسبهشده را بر اساس نظرات متخصص بررسی میکند و در صورت مغایرت بر اساس مکانیزم یادگیری تقویتی آن را تصحیح میکند. رویکرد پیشنهادی به طور خودکار و هوشمند با استفاده از قابلیت یادگیری تقویتی عمل مینماید. این روش به صورت شبیهسازی بر روی ابر و اتصال به یک دستگاه الکترونیکی همراه با بیمار پیادهسازی و از نظر زمان اجرا مورد بررسی و پذیرش قرار گرفت.
نتایج روش پیشنهادی با خروجیهای مورد انتظار در دیتاستهای موجود مقایسه شده است. این مقایسه نشان داد که استفاده از رویکرد پیشنهادی 24/13 درصد محاسبه انجامشده توسط دستگاه تنظیم ضربان قلب را دقیقتر میسازد. استفاده از عاملهای نرمافزاری با به کارگیری قابلیت یادگیری تقویتی میتواند نقش مهمی در بهبود رفتار دستگاههای پزشکی در شرایط بحرانی داشته باشد.
پرونده مقاله